单次传递中的不确定性：一步流匹配的封闭式恒等式

流匹配为生成建模提供了一个高效的框架，但估计其生成样本的不确定性仍然是一个基本挑战。现有方法依赖于辅助方差头、模型集成或迭代协方差传播，这些方法总是会沿着噪声到图像的轨迹引入累积误差和结构干扰。我们通过将 Tweedie 公式应用于线性流匹配插值来解决这些限制，从而为后验协方差产生精确的、封闭形式的恒等式。由于该恒等式完全依赖于所学习的速度场的散度，因此可以在预训练模型上进行事后评估，而无需任何架构修改。事实证明，这种分析公式对于单步生成框架来说异常强大。通过计算一次前向传递中的端到端后验协方差，我们的方法完全绕过了顺序积分固有的复合误差。这种机制从根本上增强了鲁棒性，提供高度准确和稳定的不确定性估计，同时防止多步近似典型的数值退化。我们在基准数据集（包括 CIFAR-10 和真实大脑 MRI 扫描）中验证了我们的框架。由此产生的基于散度的不确定性图具有高度可解释性，并且与经验重建误差紧密相关。至关重要的是，在医学成像中，这种结构模糊性的精确定位为肿瘤边界描绘和神经外科规划等高风险临床任务提供了必要的决策支持。